Implementación de métodos de clusterización para la identificación de diversidad cognitiva en dos muestras de niños y niñas provenientes del Área Metropolitana de Buenos Aires.


Giovannetti, Federicoa, b Pietto, Marcos Luisa, c Lipina, Sebastián Javiera Kamienkowski, Juan Esteband Segretin, María Soledada

a Unidad de Neurobiología Aplicada (UNA, CEMIC-CONICET)
b Instituto de Cálculo (IC, FCEyN- CONICET)
c Universidad Argentina de la Empresa (UADE)
d Laboratorio de Inteligencia Artificial Aplicada (LIAA, FCEyN- CONICET)

Antecedentes

Las ciencias del desarrollo reconocen que las diferencias individuales en el desarrollo cognitivo pueden ser adaptaciones al contexto y no necesariamente desempeños atípicos. Los análisis de clústeres ayudan a identificar perfiles diversos, pero faltan estudios que integren datos de distintas evaluaciones y poblaciones, lo que limita su uso en el diseño de intervenciones.

Objetivos

A. Analizar la diversidad de perfiles de desempeño en tareas con demandas ejecutivas en niños y niñas de edad preescolar y de bajo nivel socioeconómico del Área Metropolitana de Buenos Aires.

B. Comparar la implementación de técnicas de clusterización en dos muestras con diferente composición demográfica.

Métodos

Se analizaron dos muestras de proyectos desarrollados en la UNA: la muestra A estuvo compuesta por 58 participantes (Medad=5.82; DS=0.28), y la muestra B por 106 participantes (Medad=5.34; DS=0.33). Para ambas muestras, se evaluaron procesos de control inhibitorio (CI), memoria de trabajo (MT) y planificación (PL).

Los datos del desempeño fueron analizados mediante distitnos métodos de clusterización (k-means, PAM, Diana y jerarquicos) y distancias (euclideana y manhattan), iterando en distinta cantidad de clústeres (k) para cada muestra. Posteriormente se analizaron y compararon las soluciones obtenidas para cada muestra.

Todos los análisis se realizaron mediante el lenguaje R versión 4.4.2 (R Core Team 2024), en Rstudio (R-studio?). Los principales paquetes utilizados fueron dplyr (Wickham et al. 2023), ggplot2 (Wickham et al. 2025) y diceR (Chiu and Talhouk 2025) .

Resultados

Se seleccionó un número final de k=3 mediante K-medias y PAM. Los grupos difirieron significativamente entre sí en todas las tareas (p <.05), mostrando similitudes y diferencias para cada muestra.

  • Clúster 1 presentó desempeños y tiempos de reacción (TR) bajos en CI en ambas muestras. Para MT, mostró desempeños bajos en la muestra A y altos en la muestra B.
  • Clúster 2 presentó desempeños medios en CI en ambas muestras, con RT altos en la muestra A, acompañados de desempeños bajos en PL.
  • Clúster 3 tuvo desempeños medios-altos en CI y PL en ambas muestras. En los TR de CI, presentó TR bajos en la muestra A, y altos en la muestra B.
Figura_1
Figura 1. Comparación los desempeños y tiempos de reacción de los clústeres
generados para cada muestra (valores z).* p<0.05; ** p<0.01; *** p<0.001.

Figura_2
Figura 2. Imágenes de las inmediaciones del barrio donde habitaban
los/as participantes de las muestras A y B respectivamente.

Conclusiones

Los métodos de agrupamiento permitieron identificar perfiles heterogéneos entre y dentro de las muestras. Estos resultados contribuyen al desarrollo de un enfoque metodológico relevante en el contexto de intervenciones que contemplen la diversidad cognitiva infantil.

Referencias

Chiu, Derek, and Aline Talhouk. 2025. diceR: Diverse Cluster Ensemble in r. https://github.com/AlineTalhouk/diceR/.
R Core Team. 2024. R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computing. https://www.R-project.org/.
Wickham, Hadley, Winston Chang, Lionel Henry, Thomas Lin Pedersen, Kohske Takahashi, Claus Wilke, Kara Woo, Hiroaki Yutani, Dewey Dunnington, and Teun van den Brand. 2025. Ggplot2: Create Elegant Data Visualisations Using the Grammar of Graphics. https://ggplot2.tidyverse.org.
Wickham, Hadley, Romain François, Lionel Henry, Kirill Müller, and Davis Vaughan. 2023. Dplyr: A Grammar of Data Manipulation. https://dplyr.tidyverse.org.

Métodos de clusterización para identificar
diversidad cognitiva en niños y niñas